【推荐下载】agv智能机器人多代理路径寻的四大研究方向.doc

AGV机器人多代理路径寻的四大研究方向

多代理路径寻找（Multi－agentpathfinding／MAPF）已在人工智能、机器人、理论计算机科学和实际操作研究中得到大量的研究。本文讨论了在将MAPF方法推广到实际场景时出现的问题与解决这些问题的四个研究方向。我们强调的是解决这些问题的重要性，而不是为MAPF问题的标准模型开发更快的方法。

1引言

多代理路径寻找（MAPF，也叫多代理寻径）在人工智能、机器人、理论计算机科学和实际操作研究中得到大量的研究。（标准）MAPF的任务是为多个代理（agent）找到在给定图（graph）中从其当前顶点（vertices）到其目标而不与其它代理发生碰撞的路径，同时优化成本函数（costfunction）。现有的MAPF使用的方法包括：从可满足性减少问题（reductionstoproblemsfromsatisfiability）、整数线性规划（integerlinearprogramming）、回答集编程（answersetprogramming）［YuandLaValle，2013b；Erdemetal．，2013；Surynek，2015］、最优／有限次优（optimal，bounded－suboptimal）或次优有哪些信誉好的足球投注网站方法（suboptimalsearchmethod）［Silver，2005；SturtevantandBuro，2006；Ryan，2008；WangandBotea，2008；Standley，2010；StandleyandKorf，2011；WangandBotea，2011；LunaandBekris，2011；Sharonetal．，2013；deWildeetal．，2013；Bareretal．，2014；Goldenbergetal．，2014；WagnerandChoset，2015；Boyarskietal．，2015；Sharonetal．，2015］。

我们最近研究了将MAPF推广到实际场景时出现的各种问题，包括Kiva（AmazonRobotics）仓库系统［Wurmanetal．，2008］（图1）和自动飞行器牵引车［Morrisetal．，2016］。这些问题可以分为两个一般问题：

1、为MAPF问题的标准模型开发更快的方法是不够的，因为在许多实际情况下，可以利用新的结构或需要新的问题模型。

2、仅将MAPF或其新的模型作为组合优化问题进行研究是不够的，因为所产生的MAPF解决方案也需要执行。

我们从不同的角度讨论了解决这两个问题的四个研究方向：

1．在许多实际的多代理系统中，在为所有代理找到最佳路径之前，代理先被划分成组（team），然后给每个组分配特定的目标，每个代理需要从所在的组中被指定一个目标。我们已经为不同组的代理制定了组合目标分配和路径查找（TAPF／targetassignmentandpathfinding）问题来解决这个困难。我们还开发了一个最佳TAPF方法，它可以扩展到几十个组和数百个代理［MaandKoenig，2016］。

2．在许多实际的多代理系统中，代理是匿名的（可交换的），但是它们的有效载荷是非匿名的（不可交换的），并且需要被传递给给定的目标。代理通常可以在这样的系统中交换其有效载荷。作为第一次尝试，我们设计了包裹交换机器人路由（package－exchangerobotrouting／PERR）问题，以解决更多一般化的（允许有效载荷转移的）运输问题［Maetal．，2016］。在这篇文章中，我们还证明了近似最优MAPF解的困难性（复杂度）。

tips:感谢大家的阅读，本文由我司收集整编。仅供参阅！